El mercado de agentes de voz IA opera bajo una ficción aritmética persistente. Los proveedores prometen tarifas de 0,05 dólares por minuto, induciendo a los directores financieros a cálculos ilusorios sobre el ahorro operativo. Ignoran, sin embargo, que un agente de voz no es una tarifa única, sino una compleja cadena de servicios —reconocimiento, procesamiento de lenguaje, síntesis y telefonía— con costes independientes y modelos de facturación fragmentados. Al integrar la pila tecnológica completa, el número real dista de ser marginal. Frente al coste real de un teleoperador en España, que debe contemplar cargas sociales, absentismo y tiempos de inactividad, la sustitución total es una quimera comercial. La realidad dicta una arquitectura híbrida donde la IA y el factor humano coexisten bajo una gobernanza técnica precisa.

El hecho: el coste real de un minuto de voz IA

Una auditoría de precios de plataformas para desarrolladores de agentes de voz —Vapi, Retell AI y Bland AI—, publicada por Callsy Insights, confirma una brecha estructural entre lo que estos proveedores anuncian y lo que factura realmente el consumo agregado de servicios. Según esta fuente, la tarifa base de orquestación se sitúa entre 0,05 y 0,07 dólares por minuto, pero el coste "todo incluido" —sumando transcripción de voz (STT), inferencia del modelo de lenguaje (LLM), síntesis de voz (TTS) y el trunking SIP de telefonía— se eleva de forma típica a un rango de 0,13 a 0,33 dólares por minuto (Callsy Insights).

Esto es un hecho verificable, no una interpretación: la tarifa que aparece en la landing page del proveedor no es el coste operativo de la llamada. Es el precio de un solo componente de una cadena de cuatro o cinco servicios independientes.

Lo que sí es interpretación —y aquí el laboratorio de NextAI lo señala como tal— es la conclusión que algunos vendors extraen de estos márgenes: que automatizar el 100% de las llamadas de un contact center generaría ahorros del 85-95% frente a la plantilla humana. Esa cifra no está respaldada por los datos de implantación real recogidos en el dossier técnico consultado; al contrario, la evidencia de despliegue apunta a un modelo de automatización parcial, no total.

Leyenda: cada bloque █ representa 0,035 $/min sobre una escala de 0 a 0,35 $/min. La barra muestra el punto medio del rango "real todo incluido" de cada plataforma. Fuente: Callsy Insights.

La lectura directiva es simple: si tu proveedor te ha presupuestado en 0,05-0,07 $/min sin desglose de STT, LLM, TTS y SIP, no tienes un presupuesto, tienes un anzuelo comercial. Antes de firmar, conviene aplicar el mismo rigor que exigiríamos a cualquier proveedor tecnológico crítico; en NextAI lo detallamos en cómo verificar a un partner de IA antes de contratarlo, y el primer punto de esa lista es, precisamente, pedir el desglose de costes por componente.

Anatomía del TCO: por qué 0,05 $/minuto es ficción contable

La pila técnica que nadie factura junta

Un agente de voz IA en producción no es un único servicio: es una orquesta de cuatro motores que deben sincronizarse en menos de 700 milisegundos para que la conversación no se perciba como robótica (SummumIA). Esa exigencia de latencia condiciona directamente el coste, porque no todos los modelos ofrecen la misma velocidad al mismo precio.

Fuente de latencias y precios: SummumIA.

La implicación de ingeniería es directa: un proveedor que promete precios de derribo suele estar usando el modelo STT o TTS más barato del mercado, no el más adecuado para español conversacional con matices emocionales. El ahorro en la factura se traslada, silenciosamente, a una peor experiencia de llamada.

El coste por llamada en euros, sin trampa

Cuando se traduce esta pila a una llamada real de 2 a 3 minutos —consumiendo directamente APIs de Deepgram o Whisper para STT, un LLM, ElevenLabs o Azure para TTS y Twilio u otro proveedor SIP para telefonía—, el coste se sitúa entre 0,08 € y 0,25 € por llamada gestionada (SummumIA). A esto hay que sumar la inversión de puesta en marcha. En los proyectos de NextAI, la implantación de una centralita de IA va de 0 € a 15.000 € según su tamaño: desde un agente estándar sobre una plataforma ya integrada, sin coste de puesta en marcha, hasta centralitas con varios departamentos, integraciones en tiempo real con CRM o ERP y analítica avanzada.

Este es el punto donde el discurso de marketing y el análisis de ingeniería se separan. Un Superagente —en la terminología de NextAI, un agente de IA que se hace cargo de un proceso completo de extremo a extremo, no de una tarea aislada— no es un chatbot de voz barato conectado a nada. Es una pieza de arquitectura que consulta datos vivos, ejecuta acciones en sistemas core y mantiene contexto de cliente a lo largo de la interacción. Esa conexión con el Cerebro Empresarial —la memoria corporativa de la organización, estructurada en RAG y grafos de conocimiento, que permite a cualquier agente de IA razonar con el conocimiento real de la empresa en lugar de alucinar respuestas genéricas— es lo que separa un proyecto que factura 0,08 € por llamada resuelta de un proyecto que factura esa misma cifra sin resolver nada y deriva el problema, sin contexto, a un humano frustrado.

Aquí conviene una precisión que muchos integradores omiten: no toda empresa que vende "agentes de voz" aporta esa capa de gobierno y de integración de datos. Distinguir entre quien vende una licencia de plataforma y quien construye una arquitectura propia conectada a tus sistemas es la diferencia entre un gasto y una inversión; lo desarrollamos con más detalle en partner de IA o proveedor de licencias, y es la primera pregunta que debería hacerse cualquier comité de compras antes de aprobar un presupuesto de automatización de voz.

El coste real del minuto humano

Comparar 0,20 € por minuto de IA con el salario de un teleoperador es otra trampa contable, esta vez en sentido contrario. Con el convenio de contact center de 2026, el coste empresa de un teleoperador a jornada completa ronda los 25.600 € al año para 1.764 horas de convenio (EquipoListo). Pero esas horas no son horas de conversación: el absentismo del sector alcanza el 14,63 %, según el estudio de mercado de la Asociación CEX (Observatorio de RRHH), las pausas y la formación restan en torno a un 13 % adicional y la ocupación real al teléfono se queda en el 70-80 %.

En cobertura 24/7 la diferencia se dispara: un puesto permanente exige unas cinco personas (≈ 128.000 € al año), frente a 800-1.600 € al mes de IA para 4.000 minutos. Y a eso se suma lo que no aparece en la nómina: supervisión, rotación, formación de nuevas incorporaciones y la variabilidad de calidad entre un buen día y uno malo. Puedes hacer el cálculo con tus propios volúmenes en la calculadora de agentes de voz.

Riesgo, seguridad y gobierno: AI Act y RGPD sin atajos

La voz no es un dato cualquiera. Es un dato biométrico y personal a todos los efectos del RGPD y la LOPDGDD, lo que obliga a cifrado en tránsito y en reposo, a políticas de retención mínima de las grabaciones y transcripciones, y a que la infraestructura de procesamiento resida en territorio de la Unión Europea. Ningún ahorro por minuto justifica saltarse esta base legal, y ningún proveedor serio debería proponerlo.

A esto se suma una obligación concreta y ya vigente: el artículo 50 del Reglamento Europeo de Inteligencia Artificial exige que cualquier sistema de IA conversacional se identifique expresamente como automatizado ante el interlocutor humano, y que lo haga al inicio de la llamada. No es una recomendación de buenas prácticas; es un requisito legal que debe programarse en el guion de apertura del agente de voz, sin excepción. Además, para empresas medianas, la Ley 11/2023 de accesibilidad añade la obligación de ofrecer vías alternativas accesibles cuando el canal automatizado no pueda atender adecuadamente a determinados colectivos.

La combinación de ambas exigencias —transparencia frente al AI Act y accesibilidad frente a la Ley 11/2023— no es un obstáculo burocrático: es la línea que separa un despliegue defendible ante una inspección de un pasivo legal latente.

Desplegar un agente de voz sin capa de gobierno no es automatizar: es delegar en una máquina decisiones que ni siquiera un humano tomaría sin supervisión, y hacerlo además incumpliendo la ley que ya está en vigor.

Operación real: el modelo híbrido gobernado en empresas españolas

Aquí es donde el discurso comercial y la evidencia de campo divergen con más claridad. Varias fuentes del sector —entre ellas ContactShip— apuntan a un ratio de derivación híbrida en el que la IA resolvería entre el 60 % y el 80 % de las llamadas de naturaleza transaccional, derivando el 10-30 % restante a un agente humano. Es importante ser precisos: este rango procede de estimaciones de implantación, no de una auditoría cerrada y verificada como la de costes por minuto, así que debe tratarse como una referencia orientativa del sector, no como una cifra garantizada para cualquier operación.

Esa cifra, orientativa o no, permite introducir una métrica propia que en NextAI usamos para auditar cualquier despliegue de automatización: el RAO, o Ratio de Autonomía Operativa, que mide de cada 100 ejecuciones de un proceso —en este caso, 100 llamadas— cuántas terminan sin ninguna intervención humana. Un RAO de 70 en un agente de voz no significa que el proyecto haya fracasado; significa que 70 llamadas se han resuelto solas y que las 30 restantes se han derivado con contexto completo a una persona, en lugar de perderse en un bucle de menús automatizados.

Leyenda: cada bloque █ representa un 10 % sobre el total de la magnitud descrita en cada fila. Fuentes: absentismo y coste por llamada, Callsy Insights y Converly.

Los casos de uso donde este modelo híbrido rinde de forma más consistente no son los más sofisticados, sino los más repetitivos: recepción de llamadas fuera de horario laboral, confirmación y reprogramación de citas, seguimiento de estado de pedidos y cualificación inicial de leads antes de derivar a ventas. Son procesos con guion cerrado, baja carga emocional y alta frecuencia, exactamente el perfil que un Superagente conectado al Cerebro Empresarial resuelve sin fricción.

Para auditar un presupuesto de agente de voz IA antes de firmarlo, el laboratorio de NextAI recomienda un procedimiento de cinco pasos:

1. Exigir el desglose de coste por componente (STT, LLM, TTS, SIP) y no aceptar una tarifa única de orquestación como precio final.
2. Modelar el coste por llamada real multiplicando la duración media esperada por el rango de 0,13-0,33 $/min, no por la tarifa anunciada.
3. Definir reglas de escalado deterministas: qué señales (sentimiento negativo, repetición de la misma consulta, petición explícita) disparan la transferencia a un humano con contexto completo.
4. Verificar por contrato dónde se almacenan las grabaciones y transcripciones, y confirmar la locución de transparencia exigida por el artículo 50 del AI Act.
5. Medir el RAO real en producción durante las primeras semanas y ajustar el playbook antes de escalar el volumen de llamadas automatizadas.

Esta disciplina de medición no es puntual: forma parte de lo que en NextAI llamamos la Ruta NEXT-5, el recorrido de madurez que va de la cartografía de procesos al gobierno de la IA, pasando por el Cerebro Empresarial, los Superagentes y su orquestación conjunta. Y para saber en qué punto de esa ruta está realmente una organización, usamos el IMAN, el Índice de Madurez AI-Native, que evalúa a la empresa en cinco ejes —datos, memoria, razonamiento, agencia y gobierno— antes de recomendar cualquier despliegue de agentes de voz.

Qué significa para tu empresa

La decisión de automatizar la voz no es binaria, y el volumen de llamadas cambia por completo el cálculo.

Si eres una pyme con menos de 5.000 llamadas al mes, conviene empezar por una centralita acotada —recepción fuera de horario, citas o preguntas frecuentes—, con una implantación en la parte baja del rango de 0 a 15.000 €, y ampliar la integración con el ERP o el CRM cuando el RAO lo justifique.

Si tienes un call center propio de tamaño medio, el modelo híbrido gobernado —automatizar el primer nivel transaccional y reservar a tu plantilla las interacciones de alto margen y carga emocional— suele ofrecer el mejor retorno, porque reduce las horas muertas sin eliminar la capacidad de respuesta humana ante casuísticas complejas.

Si tu negocio tiene alta estacionalidad —turismo, retail en campañas, servicios con picos de demanda—, el agente de voz IA absorbe los picos sin necesidad de contratar y despedir personal temporal, que es precisamente donde el absentismo y la rotación disparan el coste real de la plantilla humana.

Si operas en un sector regulado —banca, seguros, salud—, el orden de prioridades cambia: antes de medir el RAO, hay que blindar el cumplimiento del artículo 50 del AI Act y la localización europea de los datos de voz, porque el coste de un incumplimiento normativo supera con creces cualquier ahorro operativo.

En los cuatro casos, dos decisiones previas condicionan el resultado. La primera es elegir un proveedor cuya capacidad técnica esté verificada de forma independiente, no solo comercial; NextAI ha documentado su propio proceso de acreditación en NextAI es OpenAI Select Partner: qué hemos demostrado y qué gana tu empresa. La segunda es revisar si existe financiación pública disponible para reducir la inversión inicial, algo especialmente relevante en pymes españolas, que puedes consultar en Bono IA del Plan IA360: Realidad, Dudas y Guía Práctica.

Metodología y fuentes

El laboratorio de NextAI ha cruzado las tarifas publicadas por plataformas de desarrollo de agentes de voz con el coste real de consumo agregado de sus componentes técnicos, contrastando esos datos con benchmarks de latencia y precio de los principales motores STT y TTS del mercado, y con la estructura de costes laborales de un contact center en España, incluyendo absentismo y externalización. El objetivo no ha sido validar ni descartar ningún proveedor concreto, sino construir un marco de coste total que cualquier directivo pueda replicar con sus propios números.

Fuentes consultadas: Callsy Insights, SummumIA, ContactShip y Converly.

Preguntas frecuentes

¿Cuánto cuesta realmente un agente de voz IA por minuto?

La tarifa anunciada por plataformas como Vapi o Retell AI ronda los 0,05-0,07 $/min, pero el coste real todo incluido —sumando transcripción, modelo de lenguaje, síntesis de voz y telefonía— se sitúa entre 0,13 y 0,33 $/min, según la auditoría de Callsy Insights. El coste por llamada completa oscila entre 0,08 € y 0,25 €.

¿Puede un agente de voz IA sustituir al 100% a un contact center humano?

No, según la evidencia de implantación disponible. El modelo con mejor retorno automatiza entre el 60 % y el 80 % de las llamadas repetitivas y transaccionales, derivando el resto a un agente humano con contexto completo. La sustitución total no está respaldada por los datos de despliegue real.

¿Qué exige el AI Act a un agente de voz IA en España?

El artículo 50 del Reglamento Europeo de IA obliga a que el sistema se identifique expresamente como IA automatizada al inicio de la llamada. Además, al tratarse de voz como dato biométrico, aplican el RGPD y la LOPDGDD, exigiendo cifrado, retención mínima de logs e infraestructura de datos en la UE.

¿Cuánto tarda en implantarse un agente de voz IA en una pyme española?

Los plazos de despliegue en pymes españolas oscilan entre una y tres semanas, según Converly, siempre que el caso de uso esté acotado a procesos estructurados como confirmación de citas o recepción fuera de horario. Integraciones profundas con ERP o CRM en tiempo real requieren plazos y presupuestos superiores.

Qué hacer con esto

Para una integración financiera y operativa viable, es necesario exigir un desglose pormenorizado por componente antes de cerrar cualquier acuerdo. Calcule su TCO dentro del rango de 0,13 a 0,33 dólares por minuto, integrando los costes de plantilla real. La arquitectura debe priorizar el salto al humano con contexto previo, cumpliendo estrictamente con el artículo 50 del AI Act y la soberanía de datos en territorio europeo. Comience por automatizar tareas de baja carga emocional —confirmación de citas o atención fuera de horario— y calibre el RAO antes de cualquier escalada. El éxito no depende de la sustitución, sino de la eficiencia del modelo híbrido. Pide tu Auditoría Digital — 45 minutos, sin presentación comercial.